def run(self):
#==========================初始化配置===========================
population = self.population
self.initialization() # 初始化算法模板的一些动态参数
#===========================准备进化============================
uniformPoint, NIND = ea.crtup(self.problem.M, population.sizes) # 生成在单位目标维度上均匀分布的参考点集
refPoint = np.vstack([uniformPoint, np.random.rand(NIND, self.problem.M)]) # 初始化参考点（详见注释中的参考文献）
if population.Chrom is None or population.sizes != NIND:
population.initChrom(NIND) # 初始化种群染色体矩阵（内含解码，详见Population类的源码），此时种群规模将调整为uniformPoint点集的大小，initChrom函数会把种群规模给重置
else:
population.Phen = population.decoding() # 染色体解码
self.problem.aimFunc(population) # 计算种群的目标函数值
self.evalsNum = population.sizes # 记录评价次数
#===========================开始进化============================
while self.terminated(population) == False:
# 选择个体参与进化
offspring = population[ea.selecting(self.selFunc, population.FitnV, NIND)]
# 对选出的个体进行进化操作
offspring.Chrom = self.recOper.do(offspring.Chrom) # 重组
offspring.Chrom = self.mutOper.do(offspring.Encoding, offspring.Chrom, offspring.Field) # 变异
offspring.Phen = offspring.decoding() # 解码
self.problem.aimFunc(offspring) # 求进化后个体的目标函数值
self.evalsNum += offspring.sizes # 更新评价次数
# 重插入生成新一代种群
population = self.reinsertion(population, offspring, refPoint)
# 修改refPoint
refPoint[NIND:, :] = self.renewRefPoint(population.ObjV, refPoint[NIND:, :])
if (self.currentGen) % np.ceil(self.fr * self.MAXGEN) == 0:
refPoint[:NIND, :] = uniformPoint * (np.max(population.ObjV, 0) - np.min(population.ObjV, 0))
# 后续处理，限制种群规模（因为此时种群规模有可能大于NIND）
[levels, criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NIND, None, population.CV) # 对NIND个个体进行非支配分层
population = population[ea.refselect(self.problem.maxormins * population.ObjV, levels, criLevel, NIND, uniformPoint)] # 根据参考点选择个体
return self.finishing(population) # 调用finishing完成后续工作并返回结果
def reinsertion(self, population, offspring, NUM, uniformPoint):
"""
描述:
重插入个体产生新一代种群（采用父子合并选择的策略）。
NUM为所需要保留到下一代的个体数目。
"""
# 父子两代合并
population = population + offspring
# 选择个体保留到下一代
[levels, criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM, None, population.CV) # 对NUM个个体进行非支配分层
chooseFlag = ea.refselect(self.problem.maxormins * population.ObjV, levels, criLevel, NUM, uniformPoint, True) # 根据参考点选择个体(True表示使用伪随机数方法，可以提高速度，详见refselect帮助文档)
return population[chooseFlag]
def run(self, prophetPop=None): # prophetPop为先知种群（即包含先验知识的种群）
#==========================初始化配置===========================
population = self.population
self.initialization() # 初始化算法模板的一些动态参数
#===========================准备进化============================
uniformPoint, NIND = ea.crtup(self.problem.M,
population.sizes) # 生成在单位目标维度上均匀分布的参考点集
refPoint = np.vstack(
[uniformPoint,
np.random.rand(NIND, self.problem.M)]) # 初始化参考点（详见注释中的参考文献）
population.initChrom(
NIND
) # 初始化种群染色体矩阵，此时种群规模将调整为uniformPoint点集的大小，initChrom函数会把种群规模给重置
self.call_aimFunc(population) # 计算种群的目标函数值
# 插入先验知识（注意：这里不会对先知种群prophetPop的合法性进行检查，故应确保prophetPop是一个种群类且拥有合法的Chrom、ObjV、Phen等属性）
if prophetPop is not None:
print('本算法需谨慎使用先验知识，有可能会导致结果比先验知识差。')
population = (prophetPop + population)[:NIND] # 插入先知种群
#===========================开始进化============================
while self.terminated(population) == False:
# 选择个体参与进化
offspring = population[ea.selecting(self.selFunc, population.FitnV,
NIND)]
# 进行进化操作，分别对各个种群染色体矩阵进行重组和变异
for i in range(population.ChromNum):
offspring.Chroms[i] = self.recOpers[i].do(
offspring.Chroms[i]) # 重组
offspring.Chroms[i] = self.mutOpers[i].do(
offspring.Encodings[i], offspring.Chroms[i],
offspring.Fields[i]) # 变异
self.call_aimFunc(offspring) # 求进化后个体的目标函数值
population = self.reinsertion(population, offspring,
refPoint) # 重插入生成新一代种群
# 修改refPoint
refPoint[NIND:, :] = self.renewRefPoint(population.ObjV,
refPoint[NIND:, :])
if (self.currentGen) % np.ceil(self.fr * self.MAXGEN) == 0:
refPoint[:NIND, :] = uniformPoint * (
np.max(population.ObjV, 0) - np.min(population.ObjV, 0))
# 后续处理，限制种群规模（因为此时种群规模有可能大于NIND）
[levels,
criLevel] = self.ndSort(self.problem.maxormins * population.ObjV,
NIND, None, population.CV) # 对NIND个个体进行非支配分层
population = population[ea.refselect(
self.problem.maxormins * population.ObjV, levels, criLevel, NIND,
uniformPoint)] # 根据参考点选择个体
return self.finishing(population) # 调用finishing完成后续工作并返回结果
def reinsertion(self, population, offspring, NUM, uniformPoint):
"""
描述:
重插入个体产生新一代种群（采用父子合并选择的策略）。
NUM为所需要保留到下一代的个体数目。
"""
# 父子两代合并
population = population + offspring
# 选择个体保留到下一代
[levels, criLevel] = self.ndSort(population.ObjV, NUM, None, population.CV,
self.problem.maxormins) # 对NUM个个体进行非支配分层
chooseFlag = ea.refselect(population.ObjV, levels, criLevel, NUM, uniformPoint,
self.problem.maxormins) # 根据参考点的“入龛”个体筛选
return population[chooseFlag]
def calFitnV(self, population, NUM, uniformPoint):
"""
描述:
计算种群个体的适应度
算法:
先对所需个体进行非支配排序分级，然后利用参考点关联选出所需要数量的点，最后结合帕累托分级以及是否被选择来计算适应度。
输出参数:
FitnV : array - 种群个体的适应度列向量
"""
[levels,
criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM,
None, population.CV) # 对NUM个个体进行非支配分层
chooseFlag = ea.refselect(
self.problem.maxormins * population.ObjV, levels, criLevel, NUM,
uniformPoint,
True) # 根据参考点选择个体(True表示使用伪随机数方法，可以提高速度，详见refselect帮助文档)
FitnV = np.array([1 / (levels - chooseFlag + 1)]).T # 计算适应度
return FitnV
